上篇博客中，笔者熟悉了MCP客户端开发流程，使用client.py成功调用本地ollama。本文主要记录了MCP服务器开发流程，并实现了天气查询功能。

在之前的博客中，笔者尝试利用ollama和anythingLLM建立了本地知识库，并在局域网内，提供接口给其他人使用。在本文中，笔者尝试利用另外一个工具RAGFlow，来搭建本地知识库。在大型语言模型（LLM）中，Embedding是指将离散的文本数据（如单词、短语或句子）转换为连续的数值向量的过程。​这些向量捕捉了文本的语义和语法特征。具体而言，Embedding将高维度的离散数据映射到低维度的

上篇博客中，尝试Windows本地部署Ollama+DeepSeek-R1-7b+AnythingLLM，成功实现了本地知识库的检索。实际使用中，往往将DeepSeek装在性能好的机器上，其他机器只需远程访问。因此，本文将讨论如何调用API。以上就是利用Ollama和AnythingLLM的API调用的内容。笔者在实际使用中，发现了一些问题：第一，sources会跟随问答传递，如果sources数

在与众多致力于LLM智能体开发的团队合作过程中我们发现，一个现象始终贯穿不同行业：真正取得显著成效的，往往都是那些采用简洁、可组合模式的实施方案，而非复杂繁琐的框架体系。

第一章的笔记只是做浅层的了解。其中有ai帮我总结的内容，有的知识点我也不太理解…a. 大模型外部工具基本概念 b. MCP技术协议核心概念在 MCP 之前，开发者常常针对每个数据源或工具编写“​N×M​”次适配器，集成成本高且维护困难​。MCP 将外部功能抽象为三类接口——资源（Resources）、工具（Tools）、提示模板（Prompts），模型只需通过统一的 JSON-RPC 调用即可访问

参考文献：本文仅仅用于学习记录langchain的基础内容。langchain中接入天气查询功能。在笔者的mcp入门博客中，有天气查询这个api更详细的记录。不在此赘述。# 接入自定义工具@tool"""查询即时天气函数:param loc: 必要参数，字符串类型，用于表示查询天气的具体城市名称，\注意，中国的城市需要用对应城市的英文名称代替:return: 解析之后的json格式对象"""par

参考文献：本文仅仅用于学习记录langchain的基础内容。langchain中接入天气查询功能。在笔者的mcp入门博客中，有天气查询这个api更详细的记录。不在此赘述。# 接入自定义工具@tool"""查询即时天气函数:param loc: 必要参数，字符串类型，用于表示查询天气的具体城市名称，\注意，中国的城市需要用对应城市的英文名称代替:return: 解析之后的json格式对象"""par

在之前的博客中，笔者尝试利用ollama和anythingLLM建立了本地知识库，并在局域网内，提供接口给其他人使用。在本文中，笔者尝试利用另外一个工具RAGFlow，来搭建本地知识库。在大型语言模型（LLM）中，Embedding是指将离散的文本数据（如单词、短语或句子）转换为连续的数值向量的过程。​这些向量捕捉了文本的语义和语法特征。具体而言，Embedding将高维度的离散数据映射到低维度的

文档翻译 https://github.com/vanna-ai/vanna/blob/main/papers/ai-sql-accuracy-2023-08-17.mdAI生成SQL的准确性：通过测试不同大语言模型及上下文策略来最大化SQL生成准确率内容提要打造能够直接回答业务人员纯英文提问的自主AI智能体，这一前景虽然诱人但至今难以实现。许多人尝试让ChatGPT编写SQL查询语句，但成效有限

本文翻译自langchain官网：https://python.langchain.com/docs/tutorials/sql_qa/